随着人工智能的兴起，数据的质量和数量，已经成为影响机器学习模型效果最重要的因素之一，因此通过数据共享的模式来「扩展」数据量、从而提升模型效果的诉求也变得越发强烈。
但在数据共享过程中，不可避免会涉及到两个问题：隐私泄露和数据滥用。
提到这两个关键词，大家一定都对其背后的缘由有所耳闻：
第一则：2018年3月，剑桥咨询公司通过FaceBook的数据共享漏洞，收集了5000万用户信息，据说有可能利用这些信息操控美国总统竞选，造成恶劣社会影响；事件曝光后，FB公司股票大跌7%，引发一系列后续问题。
随着对数据安全的重视和隐私保护法案的出台，以前粗放式的数据共享受到挑战，各个数据拥有者重新回到数据孤岛的状态，同时，互联网公司也更难以收集和利用用户的隐私数据。
数据孤岛现象不仅不会消失，反而会成为新的常态，甚至它不仅存在于不同公司和组织之间，在大型集团内部也存在。未来，我们必须面对这样的现状：如果我们想更好的利用数据，用大数据和AI做更多有意义的事情，就必须在不同组织之间、公司与用户之间进行数据共享，但这个共享需要满足隐私保护和数据安全的前提。
隐私泄漏和数据滥用如同达摩克利斯之剑悬在各个公司和组织头上，因此解决数据孤岛，成为AI行业需要解决的首要问题之一。
如何解决数据孤岛问题？
当前，业界解决隐私泄露和数据滥用的数据共享技术路线主要有两条。一条是基于硬件可信执行环境（TEE：TrustedExecutionEnvironment）技术的可信计算，另一条是基于密码学的多方安全计算（MPC：Multi-partyComputation）。
TEE字面意思是可信执行环境，核心概念为以第三方硬件为载体，数据在由硬件创建的可信执行环境中进行共享。这方面以Intel的SGX技术，AMD的SEV技术，ARM的TrustZone技术等为代表。TEE方案的大致原理如下图所示：
SGX（SoftwareGuardExtensions）是Intel提供的一套软件保护方案。SGX通过提供一系列CPU指令码，允许用户代码创建具有高访问权限的私有内存区域（Enclave-飞地），包括OS，VMM，BIOS，SMM均无法私自访问Enclave，Enclave中的数据只有在CPU计算时，通过CPU上的硬件进行解密。同时，Intel还提供了一套远程认证机制（RemoteAttestation），通过这套机制，用户可以在远程确认跑在Enclave中的代码是否符合预期。
MPC（Multi-partyComputation，多方安全计算）一直是学术界比较火的话题，但在工业界的存在感较弱，之前都是一些创业小公司在这个方向上有一些探索，例如Sharemind，Privitar，直到谷歌提出了基于MPC的在个人终端设备的「联邦学习」(FederatedLearning）的概念，使得MPC技术一夜之间在工业界火了起来。MPC方案的大致原理如下图所示：
混淆电路是图灵奖得主姚期智教授在80年代提出的一个方法。其原理是，任意函数最后在计算机语言内部都是由加法器、乘法器、移位器、选择器等电路表示，而这些电路最后都可以仅由AND和XOR两种逻辑门组成。一个门电路其实就是一个真值表，假设我们把门电路的输入输出都使用不同的密钥加密，设计一个加密后的真值表，这个门从控制流的角度来看还是一样的，但是输入输出信息都获得了保护。
同态加密是一种特殊的加密方法，允许对密文进行处理得到仍然是加密的结果，即对密文直接进行处理，跟对明文进行处理后再对处理结果加密，得到的结果相同。同态性来自抽象代数领域的概念，同态加密则是它的一个应用。
当前，业界针对数据共享场景，利用上面的技术路线推出了一些解决方案，包括隐私保护机器学习PPML、联邦学习、竞合学习、可信机器学习等，但这些方案只利用了其中的一部分技术，从而只适合部分场景，同时基本处于学术研究阶段，没有在生产环境落地。
共享机器学习：蚂蚁金服数据孤岛解决方案
为了更好的应对形势变化，解决数据共享需求与隐私泄露和数据滥用之间的矛盾，蚂蚁金服提出了希望通过技术手段，确保多方在使用数据共享学习的同时，能做到：用户隐私不会被泄露，数据使用行为可控，我们称之为共享机器学习（SharedMachineLearning）。
共享机器学习的定义：在多方参与且各数据提供方与平台方互不信任的场景下，能够聚合多方信息并保护参与方数据隐私的学习范式。
从17年开始，蚂蚁金服就一直在共享机器学习方向进行探索和研究，在结合了TEE与MPC两条路线的同时，结合蚂蚁的自身业务场景特性，聚焦于在金融行业的应用。
蚂蚁金服共享机器学习方案拥有如下特性：
多种安全计算引擎整合，可基于不同业务场景来选择合适的安全技术。既有基于TEE的集中式解决方案，也有基于MPC的分布式解决方案；既可满足数据水平切分的场景，也能解决数据垂直切分的诉求；既可以做模型训练，也可以做模型预测。
支持多种机器学习算法以及各种数据预处理算子。支持的算法包括但不限于LR，GBDT，Xgboost，DNN，CNN，RNN，GNN等。
大规模集群化。支持大规模集群化，提供金融级的高效、稳定、系统化的支撑。
基于数年沉淀与积累，目前共享机器学习技术已在银行、保险、商户等行业成功落地诸多场景业务。通过在业务中打磨出的金融级共享机器学习能力，沉淀下来一套数据共享场景的通用解决方案，未来会逐步对外开放。
在几年的艰苦研发中，共享学习累积专利50余项。在2019中国人工智能峰会上，共享机器学习获得「紫金产品创新奖」，在8月16日的全球人工智能创业者大会上，共享智能获得「应用案例示范奖」。
基于TEE的共享学习
蚂蚁共享学习底层使用Intel的SGX技术，并可兼容其它TEE实现。目前，基于SGX的共享学习已支持集群化的模型在线预测和离线训练。
1.模型在线预测
预测通常是在线服务。相对于离线训练，在线预测在算法复杂度上面会相对简单，但是对稳定性的要求会更高。
提升在线服务稳定性的关健技术之一就是集群化的实现——通过集群化解决负载均衡，故障转移，动态扩容等稳定性问题。
但由于SGX技术本身的特殊性，传统的集群化方案在SGX上无法工作。
为此，我们设计了如下分布式在线服务基本框架：
该框架与传统分布式框架不同的地方在于，每个服务启动时会到集群管理中心（ClusterManager，简称CM）进行注册，并维持心跳，CM发现有多个代码相同的Enclave进行了注册后，会通知这些Enclave进行密钥同步，Enclave收到通知后，会通过远程认证相互确认身份。当确认彼此的Enclave签名完全相同时，会通过安全通道协商并同步密钥。
该框架具备如下特性：
通过集群化方案解决了在线服务的负载均衡，故障转移，动态扩缩容，机房灾备等问题；
通过多集群管理和SDK心跳机制，解决代码升级，灰度发布，发布回滚等问题；
通过ServiceProvider内置技术配合SDK，降低了用户的接入成本；
通过提供易用性的开发框架，使得用户在开发业务逻辑时，完全不需要关心分布式化的逻辑；
通过提供Provision代理机制，确保SGX机器不需要连接外网，提升了系统安全性。
目前在这套框架之上已经支持包括LR、GBDT、Xgboost等多种常用的预测算法，支持单方或多方数据加密融合后的预测。基于已有框架，也可以很容易的扩展到其它算法。
2.模型离线训练
模型训练阶段，除了基于自研的训练框架支持了LR和GBDT的训练外，我们还借助于LibOsOcclum和自研的分布式组网系统，成功将原生Xgboost移植到SGX内，并支持多方数据融合和分布式训练。通过上述方案，不仅可以减少大量的重复性开发工作，并且在Xgboost社区有了新的功能更新后，可以在SGX内直接复用新功能，无需额外开发。目前我们正在利用这套方案进行TensorFlow框架的迁移。
此外，针对SGX当下诟病的128M内存限制问题（超过128M会触发换页操作，导致性能大幅下降），我们通过算法优化和分布式化等技术，大大降低内存限制对性能的影响。
基于TEE的多方数据共享学习训练流程如下：
机构用户从DataLab下载加密工具
使用加密工具对数据进行加密，加密工具内嵌了RA流程，确保加密信息只会在指定的Enclave中被解密
用户把加密数据上传到云端存储
用户在DataLab的训练平台进行训练任务的构建
训练平台将训练任务下发到训练引擎
采用该方式进行数据共享和机器学习，参与方可以保证上传的数据都经过加密，并通过形式化验证保证加密的安全性。
基于MPC的共享学习
蚂蚁基于MPC的共享学习框架分为三层：
基础算子层：在安全技术层基础上，我们会做一些基础算子的封装，包括多方数据安全求交、矩阵加法、矩阵乘法，以及在多方场景下，计算sigmoid函数、ReLU函数等等；同一个算子可能会有多种实现方案，用以适应不同的场景需求，同时保持接口一致；
安全机器学习算法：有了基础算子，就可以很方便的进行安全机器学习算法的开发，这里的技术难点在于，如何尽量复用已有算法和已有框架，我们在这里做了一些有益的尝试，但也遇到了很大的挑战。
目前我们这套基于MPC的共享学习框架已支持了包括LR、GBDT、GNN等头部算法，后续一方面会继续根据业务需求补充更多的算法，同时也会为各种算子提供更多的技术实现方案，以应对不同的业务场景。
基于MPC的多方数据共享学习训练流程如下：
如图所示，训练步骤为：
机构用户从DataLab下载训练服务并本地部署
用户在DataLab的训练平台上进行训练任务的构建
训练平台将训练任务下发给训练引擎
训练引擎将任务下发给机构端的训练服务器Worker
Worker加载本地数据
Worker之间根据下发的训练任务，通过多方安全协议交互完成训练任务
训练引擎的具体架构如下：
其中Coordinator部署于蚂蚁平台，用于任务的控制和协调，本身并不参与实际运算。Worker部署在参与多方安全计算的机构，基于安全多方协议进行实际的交互计算。
用户在建模平台构建好的训练任务流会下发给Coordinator的TaskFlowManager，TaskFlowManager会把任务进行拆解，通过TaskManager把具体算法下发给Worker端的TaskExecutor，TaskExecutor根据算法图调用Worker上的安全算子完成实际的运算。
利用这套方法，可以做到数据不出域就可以完成数据共享，训练工具可以部署在本地的服务器。
共享学习VS.联邦学习
目前，国内对于数据共享场景的机器学习解决方案，比较熟悉的可能是由谷歌提出，又由微众传播的联邦学习概念。
经过我们的了解，其实联邦学习目前涉及两个不同的概念：
第一种联邦学习，旨在解决云+端的训练过程中，端上的隐私不要被暴露的问题，是一个ToC+数据水平切分的场景。除了保护端上的数据隐私外，其重点还在于如何解决训练过程中，端自身可能掉线等问题。
第二种联邦学习则主要用于解决ToB场景中各方隐私不泄露的问题，即可以应用于数据的水平切分场景，也可以应用于数据垂直切分的场景。
它们侧重于不同的数据共享场景，采用不同的技术，相比之下，蚂蚁金服的共享学习兼容多种安全计算技术，并且支持多种机器学习算法和使用场景。
除此之外，共享学习和联邦学习的差异在于：
联邦学习只解决数据不出域的情况，这就限制了其可以使用的技术（只有严格的MPC算法才符合这个要求），而共享学习目前基于TEE的集中式共享学习技术，是联邦学习没有涉及的；
联邦学习讲究的是参与各方的「身份和地位」的相同，所以叫联邦；而共享学习则不强调各共享方的地位对等，在很多场景下，不同的参与方是拥有不同的角色的。
因此无论从技术范围还是应用场景上，联邦学习都比共享学习的范围要小。
未来展望
让数据孤岛在安全环境下进行连接、合作、共创、赋能，是蚂蚁金服共享机器学习的核心使命。